Hadoop的MapReduce执行流程图

Hadoop的MapReduce shuffle过程，非常重要。只有熟悉整个过程能够对业务了如指掌。

MapReduce执行流程

输入和拆分：

不属于map和reduce的主要过程，但属于整个计算框架消耗时间的一部分，该部分会为即将的map准备数据。

分片（split）操作：

split只是将源文件的内容分片产生一系列的 InputSplit，每个 InputSpilt 中存储着对 应分片的数据信息（例如，文件块信息、起始位置、数据长度、所在节点列表…），并不是将源文件分割成多个小文件，每个InputSplit 都由一个 mapper 进行后续处理。

每个分片大小参数是很重要的，splitSize 是构成分片规则很重要的一个参数，该参数由三个值来确认：

minSize：splitSize 的最小值，由 mapred-site.xml 配置文件中 mapred.min.split.size 参数确定。

maxSize：splitSize 的最大值，由 mapred-site.xml 配置文件中mapreduce.jobtracker.split.metainfo.maxsize 参数确定。

blockSize：HDFS 中文件存储的快大小，由 hdfs-site.xml 配置文件中 dfs.block.size 参数确定。

splitSize的确定规则：splitSize=max{minSizemapreduce工作原理图，min{maxSize，blockSize}}

数据格式化（Format）操作：

将划分好的 InputSplit 格式化成索引对方式的数据。其中 key 为偏移量，value 是每一行的内容。

值得注意的是，在map任务执行过程中，会不停的执行数据格式化操作，每生成一个键值对都会将其传入 map，进行处理。所以map和数据格式化操作并不存在前后时间差mapreduce工作原理图，而是同时进行的。

spacer.gif

2)Map 映射：

是 Hadoop 并行性质发挥的地方。根据用户选定的map过程，MapReduce 尝试在数据所在机器上执行该 map 程序。在 HDFS中，文件数据是被复制多份的，所以计算将会选取拥有此数据的最空闲的节点。

在这一部分，map内部详细推动过程，可以由用户自定义。

3)Shuffle 派发：

Shuffle 过程是指Mapper 产生的直接输出结果，经过一系列的处理，成为最后的 Reducer 直接输入数据为止的整个过程。这是mapreduce的核心过程。该过程可以分为两个阶段：

Mapper 端的Shuffle：由 Mapper 产生的结果并不会直接写入到磁盘中，而是先储存在存储中，当内存中的数据量超过设置的阈值时，一次性写入到本地磁盘中。并同时进行 sort（排序）、combine（合并）、partition（分片）等操作。其中，sort 是把 Mapper 产 生的结果根据 key 值进行顺序；combine 是把key值相同的记录进行合并；partition 是把 数据均衡的分配给 Reducer。

Reducer 端的 Shuffle：由于Mapper和Reducer往往不在同一个节点上运行，所以 Reducer 需要从多个节点上下载Mapper的结果数据，并对这种数据进行处理，然后就能被 Reducer处理。

4)Reduce 缩减：

Reducer 接收方式的数据流，形成形式的输出，具体的过程可以由客户自定义，最终结果直接读取hdfs。每个reduce进程会对应一个输出文件，名称以part-开头。

更多Hadoop相关信息见Hadoop 专题页面

本文永久更新链接地址：

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-122119-1.html